基于多线激光雷达的无人车SLAM与重定位技术研究与实现

摘要

近年来，随着人工智能、计算机视觉与传感器技术的飞速发展，无人驾驶技术逐渐成为移动机器人领域的研究热点。同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）技术是无人驾驶系统环境感知的重要组成部分，为实现无人车自主导航提供依据。本文针对校园环境内无人车的工作特点，实现了基于多线激光雷达的三维点云地图构建，并在构建的先验地图上实现了重定位技术。具体工作如下：　　1.实现了以16线激光雷达为唯一外部传感器的SLAM系统并优化帧间匹配。在前期帧间匹配部分，以原始迭代最近点（IterativeClosest Point，ICP）算法为基础，通过点到线迭代最近点（Point-to-Line Iterative Closest Point，PL-ICP）算法和点到面迭代最近点（Point-to-Plane Iterative Closest Point，PP-ICP）算法相结合的匹配方法提升了匹配的速率与精度，便于获取运动估计；在后期增量式构建点云地图过程中，通过当前扫描到历史地图的匹配方式对位姿进行修正，实现了对累积误差的进一步抑制，使用校正后的位姿将当前帧投影到世界坐标系下，拼接到历史地图中完成地图更新，实现点云地图的实时构建。　　2.提出了一种基于已有先验点云地图的重定位方法，确定无人车在地图中的绝对位置。针对先验点云地图远处点云稀疏和点云数量庞大的特点，对先验地图进行了基于统计的鲁棒滤波和体素网格滤波预处理。采用GPS模块实现了对无人车初始位置的预定位，通过直通滤波截取预定位附近20*20*20m规模的点云，作为被匹配点云。16线激光雷达实时测量数据作为待匹配点云，使用正态分布变换（Normal Distribution Transform，NDT）算法在被截取点云中进一步定位，获取无人车在先验点云地图中的精确位置。　　3.通过在真实环境中的实验对 SLAM系统和重定位方法进行了测试：（1）在校园环境下成功实现了实时定位与地图构建，验证了SLAM系统的实时性与可行性；（2）将 SLAM系统输出的车体轨迹与载波相位差分（RealTimeKinematic，RTK）定位系统输出的轨迹对比，证明了SLAM系统的准确性与稳定性；（3）将构建的点云地图作为先验地图，无人车随机放置于地图中的某处，完成重定位实验，表明了本文提出的重定位方案的有效性。

目录

声明

第1 章绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 无人驾驶汽车研究现状

1.2.2 点云配准技术研究现状

1.2.3 Lidar SLAM技术研究现状

1.3 本文研究内容及章节安排

第2 章 无人车实验平台与点云数据预处理

2.1 无人车实验平台软硬件系统介绍

2.1.1无人车实验平台

2.1.2 车载激光雷达的选择及安装

2.1.3 软件平台

2.2 环境地图表示方式

2.2.1 栅格地图

2.2.2 几何特征地图

2.2.3 拓扑地图

2.2.4 3D点云地图

2.3 3D点云数据预处理

2.3.1 3D点云数据滤波

2.3.2 基于 RANSAC的点云分割法

2.4 本章小结

第3 章 SLAM构建的实现与帧间匹配优化

3.1 SLAM中的数学基础

3.1.1 坐标系转换

3.1.2 齐次坐标与变换矩阵

3.1.3 旋转向量与欧拉角

3.2 迭代最近点算法及实时性分析

3.2.1 ICP算法原理

3.2.2 ICP算法匹配实验

3.3 激光雷达里程计

3.3.1 特征点提取

3.3.2 基于 PI-ICP与 PP-ICP算法相结合的帧间匹配

3.4 增量式地图构建实现

3.5 实验结果与分析

3.5.1 点云数据采集

3.5.2 SLAM实验

3.6 本章小结

第4 章基于先验地图重定位

4.1 点云数据预处理环节

4.2 多传感器结合的重定位方法

4.2.1 GPS粗定位

4.2.2 基于 NDT算法的激光雷达精确定位模块

4.3 实验结果与分析

4.4 本章小结

结论

致谢

参考文献